pandas中pd.read_csv读取CSV的参数差异问题咨询

两个读取结果的表现差异，本质是对pandas索引规则、resample接口逻辑不熟悉，加上dtype查看的认知盲区导致的：

• resample的运行要求：pandas时间重采样方法默认以DataFrame的行索引作为时间基准计算，只有当行索引是DatetimeIndex类型时，才能直接无参调用；如果时间值只是普通列，哪怕列本身是datetime64类型，直接调用resample也会抛出类型错误。
• 无法调取时间列的原因：第二种读取方式里你传入了index_col=[0]参数，已经把位置0的时间列从普通数据列转为了行索引。行索引不属于df.columns覆盖的普通列范畴，自然没法通过df['时间列名']的常规列索引方式取值。
• dtypes显示一致的误区：调用df.dtypes时只会返回所有普通列的字段类型，不会展示行索引的类型。第二种读取结果的行索引是datetime64[ns]类型的DatetimeIndex，第一种读取结果的行索引是默认的整数RangeIndex，二者索引类型完全不同，你之前没单独检查索引类型才会误以为字段类型完全一致。
  注意：你贴的第二种读取代码里多写了一个连续的冗余逗号，运行时会触发语法错误，写代码时要删掉多余逗号。

根据你后续的分析习惯选一种方式即可：

方案1：保留时间为行索引（时间序列分析推荐写法） #

这种写法最简洁，不用每次调用时间序列方法都重复传列参数：

1. 正确读取代码：

   # 删掉多余逗号，index_col和parse_dates直接传列位置即可，列表包裹的写法也兼容
   df = pd.read_csv('FileName.csv', index_col=0, parse_dates=0)
   

2. 时间值调取方法：直接通过df.index即可获取全部时间序列，不需要按列名调用；如果需要把时间索引转回普通列，执行df = df.reset_index()即可。
3. resample调用示例（按天重采样求均值）：

   df_daily = df.resample('D').mean()
   

方案2：保留时间为普通列 #

如果你习惯时间列作为普通字段存在，读文件时不要设置index_col，调用resample时显式指定时间列即可：

1. 读取代码：

   # 仅解析第0列为时间类型，不设为索引
   df = pd.read_csv('FileName.csv', parse_dates=[0])
   

2. resample调用示例（假设第0列列名为record_time）：

   # 通过on参数指定作为时间轴的列
   df_daily = df.resample('D', on='record_time').mean()
   

内容的提问来源于stack exchange，提问作者Moody